jsoup教程

jsoup是一款Java的HTML決議器，主要用來對HTML決議，官網

在爬蟲的時候，當我們用HttpClient之類的框架，獲取到網頁原始碼之后，需要從網頁原始碼中取出我們想要的內容，

就可以使用jsoup這類HTML決議器了，可以非常輕松的實作，

雖然jsoup也支持從某個地址直接去爬取網頁原始碼，但是只支持HTTP，HTTPS協議，支持不夠豐富，

所以，主要還是用來對HTML進行決議，

其中，要被決議的HTML可以是一個HTML的字串，可以是一個URL，可以是一個檔案，

org.jsoup.Jsoup把輸入的HTML轉換成一個org.jsoup.nodes.Document物件，然后從Document物件中取出想要的元素，

org.jsoup.nodes.Document繼承了org.jsoup.nodes.Element，Element又繼承了org.jsoup.nodes.Node類，里面提供了豐富的方法來獲取HTML的元素，

從URL獲取HTML來決議

Document doc = Jsoup.connect("http://www.baidu.com/").get();
String title = doc.title();

其中Jsoup.connect("xxx")方法回傳一個org.jsoup.Connection物件，
在Connection物件中，我們可以執行get或者post來執行請求，但是在執行請求之前，
我們可以使用Connection物件來設定一些請求資訊，比如：頭資訊，cookie，請求等待時間，代理等等來模擬瀏覽器的行為，

Document doc = Jsoup.connect("http://example.com")
  .data("query", "Java")
  .userAgent("Mozilla")
  .cookie("auth", "token")
  .timeout(3000)
  .post();

獲得Document物件后，接下來就是決議Document物件，并從中獲取我們想要的元素了，

Document中提供了豐富的方法來獲取指定元素，

使用DOM的方式來取得

getElementById(String id)：通過id來獲取
　　getElementsByTag(String tagName)：通過標簽名字來獲取
　　getElementsByClass(String className)：通過類名來獲取
　　getElementsByAttribute(String key)：通過屬性名字來獲取
　　getElementsByAttributeValue(String key, String value)：通過指定的屬性名字，屬性值來獲取
　　getAllElements()：獲取所有元素

通過類似于css或jQuery的選擇器來查找元素

使用的是Element類的下記方法：

public Elements select(String cssQuery)

通過傳入一個類似于CSS或jQuery的選擇器字串，來查找指定元素，

例子：

File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");

Elements links = doc.select("a[href]"); //帶有href屬性的a元素
Elements pngs = doc.select("img[src$=.png]");
  //擴展名為.png的圖片

Element masthead = doc.select("div.masthead").first();
  //class等于masthead的div標簽

Elements resultLinks = doc.select("h3.r > a"); //在h3元素之后的a元素

選擇器的更多語法(可以在org.jsoup.select.Selector中查看到更多關于選擇器的語法)：

tagname: 通過標簽查找元素，比如：a
　　ns|tag: 通過標簽在命名空間查找元素，比如：可以用 fb|name 語法來查找 <fb:name> 元素
　　#id: 通過ID查找元素，比如：#logo
　　.class: 通過class名稱查找元素，比如：.masthead
　　[attribute]: 利用屬性查找元素，比如：[href]
　　[^attr]: 利用屬性名前綴來查找元素，比如：可以用[^data-] 來查找帶有HTML5 Dataset屬性的元素
　　[attr=value]: 利用屬性值來查找元素，比如：[width=500]
　　[attr^=value], [attr$=value], [attr=value]: 利用匹配屬性值開頭、結尾或包含屬性值來查找元素，比如：[href=https://www.cnblogs.com/path/]
　　[attr~=regex]: 利用屬性值匹配正則運算式來查找元素，比如： img[src~=(?i).(png|jpe?g)]
　　*: 這個符號將匹配所有元素

Selector選擇器組合使用
　　el#id: 元素+ID，比如： div#logo
　　el.class: 元素+class，比如： div.masthead
　　el[attr]: 元素+class，比如： a[href]
　　任意組合，比如：a[href].highlight
　　ancestor child: 查找某個元素下子元素，比如：可以用.body p 查找在"body"元素下的所有 p元素
　　parent > child: 查找某個父元素下的直接子元素，比如：可以用div.content > p 查找 p 元素，也可以用body > * 查找body標簽下所有直接子元素
　　siblingA + siblingB: 查找在A元素之前第一個同級元素B，比如：div.head + div
　　siblingA ~ siblingX: 查找A元素之前的同級X元素，比如：h1 ~ p
　　el, el, el:多個選擇器組合，查找匹配任一選擇器的唯一元素，例如：div.masthead, div.logo

偽選擇器selectors
　　:lt(n): 查找哪些元素的同級索引值（它的位置在DOM樹中是相對于它的父節點）小于n，比如：td:lt(3) 表示小于三列的元素
　　:gt(n):查找哪些元素的同級索引值大于n，比如： div p:gt(2)表示哪些div中有包含2個以上的p元素
　　:eq(n): 查找哪些元素的同級索引值與n相等，比如：form input:eq(1)表示包含一個input標簽的Form元素
　　:has(seletor): 查找匹配選擇器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素
　　:not(selector): 查找與選擇器不匹配的元素，比如： div:not(.logo) 表示不包含 元素的所有 div 串列
　　:contains(text): 查找包含給定文本的元素，搜索不區分大不寫，比如： p:contains(jsoup)
　　:containsOwn(text): 查找直接包含給定文本的元素
　　:matches(regex): 查找哪些元素的文本匹配指定的正則運算式，比如：div:matches((?i)login)
　　:matchesOwn(regex): 查找自身包含文本匹配指定正則運算式的元素
注意　　：上述偽選擇器索引是從0開始的，也就是說第一個元素索引值為0，第二個元素index為1等

通過上面的選擇器，我們可以取得一個Elements物件，它繼承了ArrayList物件，里面放的全是Element物件，

接下來我們要做的就是從Element物件中，取出我們真正需要的內容，

通常有下面幾種方法：

Element.text()

這個方法用來取得一個元素中的文本，

Element.html()或Node.outerHtml()

這個方法用來取得一個元素中的html內容

Node.attr(String key)

獲得一個屬性的值，例如取得超鏈接<a href="">中href的值

https://www.cnblogs.com/gaojinshun/p/15434421.html

標籤：Java

上一篇：Redis使用程序中有哪些注意事項？看看BAT這類的公司是正確使用Redis的！！

下一篇：分布式事務（二）之兩階段提交